入选Science机器人子刊：机器人如何更聪明地躲避障碍？凸集图给出轨迹规划最优解

导读：

当环境中有很多障碍物时，传统的轨迹优化方法（如基于采用规划器的方法）往往表现不佳。本文提出了一种新的基于凸优化的运动规划方法，该方法结合了贝塞尔曲线与凸集图（GCS）的最短路径优化框架。通过这种方法，研究人员将轨迹规划问题转化为一个混合整数优化问题，能够在快速解决高维空间中的问题。©️【深蓝AI】编译

1. 研究背景

机器人运动规划，尤其是在复杂的环境中设计无碰撞的轨迹，一直是机器人学领域的一个核心挑战。运动规划不仅涉及在高维度的空间中设计路径，还必须同时考虑机器人本身的运动学和动力学约束。现有的轨迹优化方法可以对简单的问题进行有效求解，然而，当机器人所在的空间充满障碍物时，轨迹优化问题通常会由凸优化转换为非凸优化问题，因此求解会变得非常复杂，导致很多传统方法失效。

为了应对这一难题，研究人员常常转而使用基于采样的运动规划算法，这类算法在复杂的配置空间中具有一定的优势，因为它们能够通过采样来找到可行的路径，并且具有概率完备性，意味着只要可行路径存在，它们理论上总能找到。然而，这些算法在处理高维空间的连续微分约束时表现不佳，生成的轨迹往往不是全局最优的，并且需要大量的采样和计算时间。在更复杂的动态系统中，轨迹优化与高层次的图搜索方法结合使用，虽然可以部分改善这一问题，但这些多层架构并未提供一个统一的优化框架。

基于这些背景，混合整数凸优化方法（MICP）为运动规划问题提供了新的思路。MICP方法能够结合基于采样的算法的完备性以及轨迹优化方法处理运动学和动力学约束的能力，并且可以提供全局最优解。然而，MICP方法在计算复杂性上存在很大的局限性，其求解时间通常非常长，即便是在小规模问题上也需要数分钟才能生成轨迹。

在这个背景下，研究者们致力于寻找一种新的方法，既能够应对复杂环境下的高维运动规划问题，又能快速地生成高质量的避障轨迹。文章基于此背景提出了一种新的运动规划算法，能够有效地解决这些问题，并在很短的时间内生成全局最优的避碰轨迹。

2. 问题陈述

该研究所要解决的问题是为机器人设计在障碍物环境中无碰撞的连续运动轨迹。具体来说，研究者将此问题抽象为一个在无限维轨迹空间中的优化问题。研究者将将围绕障碍物进行规划的问题视为在一组“安全”区域内导航的问题，准确的说，机器人运动的无碰撞配置空间$Q$被分解为一系列“安全区域”$Q_i$。

在此基础上，研究者的目标是找到一条花费总时间$T$的安全轨迹$q(t)$。在求解优化问题的过程中，设定求解目标是轨迹持续时间$T$，轨迹长度$L$和能量$E$的加权求和，即$Cost=aT+bL+cE$。

3. 优化框架

该优化框架的目标是通过凸优化和图论相结合的方法，解决机器人在障碍物环境中的无碰撞运动规划问题。本文提出了将运动规划问题表述为凸集图中的最短路径问题（SPP），并通过最近提出的技术将该问题转换为一个混合整数凸优化问题（MICP）

3.1 凸集图中的最短路径问题（SPP）

最短路径问题（SPP）在凸集图（GCS）中，是经典最短路径问题的推广。给定一个带有有向图$G:=(\mathcal{V},\mathcal{E})$的问题，其中$\mathcal{V}$是顶点集，$\mathcal{E}\subset {\mathcal{V}}^2$是边集。每个顶点$v\in \mathcal{V}$关联一个有界凸集${\mathcal{X}}_v$。

不同于经典的最短路径问题，该问题中每条边的长度是由顶点之间的连续变量$x_u$和$x_v$决定的，通过一个凸函数${\ell }_e(x_u,x_v)$来表示，并且该函数要求取非负值。

凸集图中的最短路径问题可以形式化为以下优化问题：

$$\begin{array}{l}\begin{array}{rl}\mathrm{minimize}& \sum _{e:=(u,v)\in {\mathcal{E}}_p}{\ell }_e\left(x_u,x_v\right)\\ \text{ subject to }& p\in \mathcal{P}\\ & x_v\in {\mathcal{X}}_v\\ & (x_{}\end{array}\end{array}$$